以下是與問題相關的部分代碼。如果需要完整代碼，這里有一個完整的可重現代碼也可以下載數據：https ://github.com/ageron/handson-ml2/blob/master/02_end_to_end_machine_learning_project.ipynb我有一個管道：prepare_select_and_predict_pipeline = Pipeline([ ('preparation', full_pipeline), ('feature_selection', TopFeatureSelector(feature_importances, k)), ('svm_reg', SVR(**rnd_search.best_params_))])現在，我只想從上面的管道執行這一部分：('preparation', full_pipeline),('feature_selection', TopFeatureSelector(feature_importances, k)),我試過prepare_select_and_predict_pipeline.fit(housing, housing_labels)了，但它也執行 SVM 部分。最后，我需要從上面的管道中獲得與執行以下代碼相同的結果：preparation_and_feature_selection_pipeline = Pipeline([ ('preparation', full_pipeline), ('feature_selection', TopFeatureSelector(feature_importances, k))])housing_prepared_top_k_features = preparation_and_feature_selection_pipeline.fit_transform(housing)我該怎么做？
2 回答
冉冉說
TA貢獻1877條經驗 獲得超1個贊
您可以將管道切片，就好像它們是列表（版本 >=0.21）一樣，所以
prepare_select_and_predict_pipeline[:-1].fit_transform(housing)
應該管用。
（你在這里需要小心；你正在改裝管道的變壓器部分，所以在一個新的數據集上進行，然后prepare_select_and_predict_pipeline.predict(X_new)將使用改裝的變壓器！clone如果需要，你可以使用一個新變量。）
BIG陽
TA貢獻1859條經驗 獲得超6個贊
FeatureUnion可以做到這一點：
from sklearn.pipeline import FeatureUnion, Pipeline
prepare_select_pipeline = Pipeline([
('preparation', full_pipeline),
('feature_selection', TopFeatureSelector(feature_importances, k))
])
feats = FeatureUnion([('prepare_and_select', prepare_select_pipeline)])
prepare_select_and_predict_pipeline = Pipeline([('feats', feats),
('svm_reg', SVR(**rnd_search.best_params_))])
您可以在深入了解 Sklearn 管道中找到有關此的更多信息
添加回答
舉報
0/150
提交
取消